基于人脸识别的高校无阻碍门禁系统设计研究
文章出处：http://www.singbon.com 作者： 人气： 发表时间：2013年02月08日
摘 要:目前市场上的高校门禁系统无法完全满足高校门禁管理的现状, 特别是在身份识别上, 大部分依赖人工进行, 人脸识别技术是一种新兴的生物认证技术, 它以无接触式的识别方式深受广大用户的喜爱, 也比较符合高校门禁管理的特点, 阐述了无阻碍式高校门禁系统中存在的问题, 结合人脸识别的生物认证技术对其进行改进, 有效避免了门禁系统中存在的“冒认”漏洞, 使其在应用上能起到更好的辅助作用。
高校门禁问题历来是高校安全管理的重中之重,随着“一卡通”工程的普及, 高校门禁系统的设计和应用也越来越受到各高校的重视, 其本身也在不断改进和变化中。传统“一卡通”是在IC卡的基础上开展起来的, 而随着射频技术的发展, 传统IC卡已经逐渐被( RFID) 射频卡所取代, 其中第二代身份证的出现更是射频技术的一个重要的里程碑, 高校门禁系统也由此进入了一个全新的时代。本文就门禁系统中的无阻碍式门禁系统进行改进设计, 增加人脸识别模块, 以期能够更好地应用于高校门禁市场。
1 高校人员管理情况
要设计好高校门禁系统, 就须对高校人员管理有着正确的认识, 高校人员情况十分复杂, 有如下特点:
校园开放度高, 进出学校的人员十分复杂; 这在一定程度上增加了学校人员管理的难度。
由于年年扩招, 在校生急剧增多, 学生在校时间大多在2 年～5 年的时间, 人员的流动性大; 人员情况更加复杂。
由于高校的学习生活集中性特点, 人员在管理上具有集中式的特点, 特别是在上下课时间段, 各个门禁点的人员进出量是很大的;
高校的门禁监管基层人员的流动性大, 一般门禁监管基层人员除个别外, 每2 年～3 年做一次调整是很正常的, 导致一些门禁点的管理监督上存在一定程度上的漏洞, 有些外来人员趁此机会潜入作案的比率也明显增加。
根据以上特点, 各个高校门禁系统的具体配备也不一而同, 但其目的都是为了能够更好地配合管理人员进行人员管理, 设计时要考虑到人员的具体情况。
2 无阻碍式门禁系统
高校的门禁系统种类有很多, 从人员通过的角度看可以分为阻碍式门禁和无阻碍式门禁, 其各自有不同的应用领域, 主要表现在如图书馆等重要部门, 使用有阻碍式的门禁系统, 可以有效进行图书情况的监管;而在公寓楼等场所, 大多使用无阻碍式的门禁系统, 它的特点是进出无阻碍, 发生紧急安全问题可以及时疏散人员。
现有的无阻碍式门禁大多采用在校人员通行, 非在校人员警告、提醒的方式, 这种方式让大多数的在校持卡人员通过, 管理人员只需注意其中的非正常人员情况即可, 大大节省了时间和精力, 可是这种门禁系统是存在着漏洞的。正常情况下, 当本人持卡进入时, 系统会留下一条记录, 而没有持卡人员进入时, 系统则会发出声光报警, 提醒管理人员进行核对; 但还有一个情况就是当非本人持卡进入时, 系统也会留下一条记录,但不会发出警报, 这就导致门禁系统出现严重漏洞, 一些非法人员可以凭在校生的卡自由进出校园而不会有
任何问题, 一些门禁系统也针对此问题做出调整, 即把每个进入有效卡记录时, 同时大屏显示该卡的持有人身份信息, 这种方法可以起到一定监督作用, 但实际效果不大, 原因就是它仅仅是显示没有提示, 这样只能靠管理人员一直盯着屏幕进行核对, 如果管理人员一旦分神就很容易被非法人员趁机进出。因此, 让门禁系统能够识别非持卡人并发出有效提示是十分必要的, 本文把人脸识别的生物认证技术引入其中, 使得冒认卡主的情况可以得到改善, 在一定程度上可以防止上述情况的发生。
3 技术支持
3. 1 RFID 技术
射频识别技术( Radio Frequency Ident ificat ion,缩写RFID) , 是20 世纪90 年代开始兴起的一种自动识别技术, 它是属于无线通信技术的一种, 是一种非接触式的自动识别技术, 可识别高速运动物体, 其应用的范围十分广泛。
RFID 技术为无接触式的感应技术, 读写距离可达1. 0 m～1. 5 m左右, 而且可同时识别多张卡, 解决了大人流快速通过问题, 每秒钟可同时识别50 张卡片, 目前高校的门禁系统中的无阻碍式通道大多采取5 cm～10 cm 左右距离。其识别系统结构如图1 所示。
图一 RFID系统工作流程
电子标签即RFID 卡, 内置RFID 芯片, 通过门禁口时, 天线接收RFID 内部信号, 转入信号读写装置进行读取RFID信息, 然后到达信息处理系统进行数据比对, 是否为该校的在校卡, 最后记录在门禁系统数据库中。
3. 2 人脸识别技术
人脸识别是一项应用很广泛的技术, 它是生物认证中的后起之秀, 因其无接触式的识别方式, 深受广大用户的喜爱, 但因识别的条件受外界环境影响较大, 如光照、表情、姿态等, 在生物认证的初始阶段发展较慢,现技术日趋成熟, 利用各种算法已能快速解决此类问题。其识别一般分为两个过程, 一个是人脸的检测, 即是否存在人脸; 另一个是人脸的识别, 即是否是某个人, 需要提取视频或图像中的人脸作为模板进行匹配。
3. 2. 1 AdaBo ost 检测算法
AdaBoost 算法是1995 年Freund 和Schapire[ 1] 根据在线分配算法提出的, 并由Viola[ 2] 等人于2001 年应用于人脸检测当中, 该方法采用一种“积分图像”的图像表示方法, 这种表示能够快速计算出弱分类器快速用到的特征, 把这些弱分类器集合起来, 就构成一个强分类器, 从而检测出类人脸。这种方法检测速度快、灵敏度高, 可以在训练的时候增加自己想要的人脸模型,并进行检测, 最终生成xml 文件, 提高识别效率。该算法中的Haar 特征分为3 类: 边缘特征、线性特征、中心特征和对角线特征, 组合成特征模板。特征模板内有白色和黑色两种矩形, 并定义该模板的特征值为白色矩形像素和减去黑色矩形像素和。如图2 所示。
图2 Haa r 3 类特征图示
算法中的积分图( Integ ral Image ) 主要的思想是将图像从起点开始到各个点所形成的矩形区域像素之和作为一个数组的元素保存在内存中, 当要计算某个区域的像素和时可以直接索引数组的元素, 不用重新计算这个区域的像素和, 从而加快计算。“积分图”能够在多种尺度下, 使用相同的时间来计算不同的特征, 因此大大提高了检测速度。
3. 2. 2 肤色检测
影响人脸检测的一大因素就是背景的杂乱无章,通过Adaboost 检测出来的类人脸区域中大多数还是有非人脸存在, 只是形状上酷似人脸, 而肤色在色彩空间中聚类比较稳定, 且与其他色彩容易区分, 彩色图像中肤色是人脸最为显著的特征之一, 可以选择YCbCr作为肤色分布统计的映射空间, 该空间的优点是可以将亮度和色度分开单独处理, 实现亮度和色度分量比较彻底的分离, 能较好地限制肤色分布区域, 肤色点能够形成较好聚类, 从而从图像中分离出肤色区域, 再进行Adaboost 检测, 最终可确定人脸位置。
3. 2. 3 隐马尔可夫模型
隐马尔可夫模型的理论基础是20 世纪70 年代由Baum 等人建立起来的, 最初应用于语音识别当中, 随后才由Rabiner 等人在20 世纪80 年代中期应用于人脸识别, 进而成为人脸识别研究的一个重要方法。对于人脸模式来说, 可以把它分成前额、眼睛、鼻子、嘴巴和下巴这样一个序列, 那么人脸模式就可以通过对这些区域进行有序的识别和检测, 提取要识别人脸的观察向量序列, 然后计算此人脸的观察向量序列与人脸数据库中各个人脸的隐马尔可夫模型相似的或然率, 相似或然率的计算可以通过前向—后向算法或者Viterbi 算法得出。相似或然率反映了待识人脸观察向量序列与数据库中的人脸隐马尔可夫模型的相似程度, 在HMM 中, 如果值最大, 那么就是与待识人脸最接近的人脸隐马尔可夫模型, 最终完成识别。
| 第1页第2页 |
